landing-header

Course - Handling Missing Value and Outlier Data

Course | Pembelajaran Berbasis Video
Kuasai teknik menangani missing value dan outlier menggunakan pendekatan statistik maupun bisnis, skill wajib setiap AI Engineer sebelum membangun model.
Kurnia Anwar Ra'if

Kurnia Anwar Ra'if

5+ Years Experience in AI | 2+ Years in Software Engineer | AI Engineer | ML Engineer | Data Scientist | AI Trainer & Mentor | AI & LLM Specialist | AWS & Python

Data Kotor Bukan Masalah, Kalau Kamu Tahu Cara Menanganinya.

Missing value dan outlier adalah dua masalah paling umum di data dunia nyata. Kalau salah penanganan, performa modelmu bisa jauh dari optimal. Pelajari cara yang benar, dengan pendekatan statistik dan bisnis yang digunakan AI Engineer di industri.

Untuk Siapa Kelas Ini?

Kelas ini cocok untuk kamu yang:

  • Sudah mempelajari Course - Introduction for Data Handling in Machine Learning
  • Sudah memahami dasar Machine Learning tapi sering bingung saat data tidak lengkap atau ada nilai ekstrem
  • Ingin tahu teknik imputasi yang tepat, bukan sekadar hapus atau isi rata-rata
  • Data Analyst atau praktisi data yang ingin meningkatkan kualitas data preprocessing
  • Developer yang ingin transisi ke AI dan butuh skill data cleaning yang solid
  • Siapa saja yang ingin membangun pipeline data yang bersih dan siap untuk modeling

Yang akan Kamu pelajari

Setelah menyelesaikan kelas ini, kamu akan bisa:

✅ Memahami kapan dan mengapa menggunakan teknik imputasi tertentu

✅ Mengimputasi missing value dengan pendekatan statistik: mean, median, modus, distribusi ekstrem

✅ Mengimputasi missing value dengan pendekatan bisnis: nilai sembarang dan nilai khusus missing

✅ Menangani outlier dengan berbagai metode: trimming, IQR, Gaussian, quantile, dan nilai sembarang

✅ Mengambil keputusan yang tepat berdasarkan karakteristik data dan konteks bisnis

Silabus

Sesi 5 — Imputasi Missing Value: Pendekatan Statistik

  • Teori Pendekatan Statistik (7 menit)
  • Imputasi Nilai Tengah / Rata-Rata (10 menit)
  • Imputasi Ekstrem Distribusi (11 menit)
  • Imputasi Modus Sklearn (4 menit)


Sesi 6 — Imputasi Missing Value: Pendekatan Bisnis

  • Teori Pendekatan Bisnis (3 menit)
  • Imputasi Nilai Sembarang (8 menit)
  • Imputasi Nilai Missing (11 menit)


Sesi 7 — Menghandle Persoalan Outlier

  • Teori Menghandle Outlier (5 menit)
  • Outlier Trim (12 menit)
  • InterQuantile Range / IQR (14 menit)
  • Pendekatan Gaussian (7 menit)
  • Batas Quantile (5 menit)
  • Handling Outlier Nilai Sembarang (9 menit)


Total: 3 Sesi | 13 Video | ±1,5 Jam Materi

FAQ

Frequently Asked Question

Kunjungi Media Sosial Kami

[PROMO 99K] Course - Handling Missing Value and Outlier Data

Rp99.000